基于MapReduce的增量式数据集的相似性连接 (2014年)

相似性连接，即利用相似函数度量数据之间的相似程度，满足条件后进行连接操作。MapReduce框架下已存在很多相似性连接算法，但仍然存在一些不足，如大量的索引加大时间、空间的开销；现有算法不能有效地完成增量式数据集的相似性连接等。针对海量增量式数据集进行了研究，采用抽样技术得到有效中枢，形成更为合理的分区，建立分区索引和分配原则，完成新增数据的相似性连接操作。实验证明，该算法能够有效地解决海量增量式数据集的相似性连接问题，验证了分区索引的建立，可以提高新增数据的相似性连接操作的效率。